[論文レビュー] Biometrics Recognition Using Deep Learning: A Survey

Shervin Minaee, AmirAli Abdolrashidi+3 more|arXiv (Cornell University)|Nov 30, 2019

Biometric Identification and Security被引用数 7

ひとこと要約

本サーベイは、顔、指紋、虹彩、音声、署名、歩き方、その他のモダリティを含む120件以上の研究をカバーし、深層学習のバイオメトリクス認識への応用を包括的に分析している。公共のベンチマーク上での深層学習モデルの性能を評価し、少数のサンプル学習やプライバシーなどの課題を議論し、マルチモーダル統合やリアルタイムでメモリ効率の良いアーキテクチャといった今後の方向性を提示している。

ABSTRACT

Deep learning-based models have been very successful in achieving state-of-the-art results in many of the computer vision, speech recognition, and natural language processing tasks in the last few years. These models seem a natural fit for handling the ever-increasing scale of biometric recognition problems, from cellphone authentication to airport security systems. Deep learning-based models have increasingly been leveraged to improve the accuracy of different biometric recognition systems in recent years. In this work, we provide a comprehensive survey of more than 120 promising works on biometric recognition (including face, fingerprint, iris, palmprint, ear, voice, signature, and gait recognition), which deploy deep learning models, and show their strengths and potentials in different applications. For each biometric, we first introduce the available datasets that are widely used in the literature and their characteristics. We will then talk about several promising deep learning works developed for that biometric, and show their performance on popular public benchmarks. We will also discuss some of the main challenges while using these models for biometric recognition, and possible future directions to which research in this area is headed.

研究の動機と目的

• 2019年までに、バイオメトリクス認識における深層学習の応用について包括的かつ最新のサーベイを提供すること。
• 顔、指紋、虹彩、掌紋、耳、音声、署名、歩行などの多様なバイオメトリクスモダリティにおける深層学習モデルの性能を分析すること。
• 少数のサンプル学習、モデル効率、セキュリティ、プライバシーといったバイオメトリクスシステムにおける主な課題を特定すること。
• マルチモーダル統合、リアルタイム推論、敵対的攻撃やスプーフィング攻撃に対する耐性といった今後の研究分野を検討すること。
• 大規模データセットの役割を強調し、分野の発展を促進するためのより挑戦的なベンチマークの必要性を提示すること。

提案手法

• 複数のモダリティにわたる、深層学習ベースのバイオメトリクス認識に関する120件以上の最近の研究を体系的にレビューした。
• 各バイオメトリクスタイプに用いられる深層学習アーキテクチャ（CNN、シアン型ネットワーク、メトリック学習モデルなど）を分類・分析した。
• CASIA-WebQ、IIT-OpenSet、LIVReb などの標準的な公開ベンチマーク上でモデルの性能を評価した。
• 大規模なラベル付きデータに依存するのを減らすために、少数のサンプル学習および自己教師付き学習の技術を議論した。
• データ、特徴量、スコア、意思決定レベルでのバイオメトリクス統合戦略を検討し、システムの耐性を高めた。
• メモリ制限のあるデバイスへのデプロイを可能にするために、モデル圧縮および知識蒸留技術をレビューした。

Figure 1: Sample images for various biometrics. The images in the first to sixth rows denote samples from face, fingerprint, iris, palmprint, ear, and gait respectively casia_gaitA ; yaleb ; polyU_finger ; polyu_palm ; kumar2010comparison ; iit_ear .

実験結果

リサーチクエスチョン

• RQ1 異なるバイオメトリクスモダリティにおいて、深層学習モデルは古典的手法（手作業特徴抽出）と比べてどの程度性能に優れているか？
• RQ2 バイオメトリクス認識タスクにおいて、最も効果的な深層学習アーキテクチャとトレーニング戦略は何か？
• RQ3 実世界のシナリオでのバイオメトリクスシステムの導入に残された課題、特に少数のサンプル学習とモデル効率に関する課題は何か？
• RQ4 マルチモーダルバイオメトリクス統合は、同一双子や不審な装飾があるような状況でも、認識精度と耐性をどのように向上させられるか？
• RQ5 深層バイオメトリクスシステムにおける主なセキュリティおよびプライバシーの脅威は何か、そしてそれらをどのように軽減できるか？

主な発見

• 深層学習モデルは、CASIA-WebQ や IIT-OpenSet といった大規模データセットにおいて、古典的手法を著しく上回る性能を示している。
• 顔認識分野は、豊富なデータセットと産業的需要のおかげで最も進歩が著しく、ベンチマークでは人間水準の精度に達している。
• 自己教師付き学習および少数のサンプル学習アプローチは、データ依存性を低減する上で有望であるが、バイオメトリクス分野ではまだ十分に検討されていない。
• 特徴量レベルまたは意思決定レベルでのバイオメトリクス統合は、単一モダリティが失敗する状況（例：装飾された顔、同一双子）においてもシステムの信頼性を高める。
• メモリ効率が良く、リアルタイム推論が可能なモデルは、デバイス内でのデプロイに不可欠であり、知識蒸留はモデル圧縮の主要技術である。
• 敵対的攻撃やテンプレート攻撃といったセキュリティ脅威は依然として深刻な懸念事項であり、現在のところ十分に耐性のあるスプーフィング防止ソリューションは限られている。

Figure 2: The block-diagram of most of classical biometric recognition algorithms.